Találati lista | Tudóstér

001-es BibID:	BIBFORM098814
035-os BibID:	(WoS)000720235300008 (Scopus)85119364300
Első szerző:	Hajdu András (matematikus, informatikus)
Cím:	A stochastic approach to handle resource constraints as knapsack problems in ensemble pruning / Hajdu András, Terdik György, Tiba Attila, Tomán Henrietta
Dátum:	2022
ISSN:	0885-6125
Tárgyszavak:	Természettudományok Matematika- és számítástudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk
Megjelenés:	Machine Learning. - 111 (2022), p. 1551-1595. -
További szerzők:	Terdik György (1949-) (matematikus, informatikus) Tiba Attila (1990-) (informatikus, matematikus) Tomán Henrietta (1976-) (matematikus, informatikus)
Pályázati támogatás:	EFOP-3.6.2-16-2017-00015 EFOP
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM121846
035-os BibID:	(Scopus)85196903551 (WoS)001255881000001
Első szerző:	Katona Tamás (informatikus)
Cím:	Advanced Multi-Label Image Classification Techniques Using Ensemble Methods / Tamás Katona, Gábor Tóth, Mátyás Petró, Balázs Harangi
Dátum:	2024
Megjegyzések:	Chest X-rays are vital in healthcare for diagnosing various conditions due to their low Radiation exposure, widespread availability, and rapid interpretation. However, their interpretation requires specialized expertise, which can limit scalability and delay diagnoses. This study addresses the multi-label classification challenge of chest X-ray images using the Chest X-ray14 dataset. We propose a novel online ensemble technique that differs from previous penalty-based methods by focusing on combining individual model losses with the overall ensemble loss. This approach enhances interaction and feedback among models during training. Our method integrates multiple pre-trained CNNs using strategies like combining CNNs through an additional fully connected layer and employing a label-weighted average for outputs. This multi-layered approach leverages the strengths of each model component, improving classification accuracy and generalization. By focusing solely on image data, our ensemble model addresses the challenges posed by null vectors and diverse pathologies, advancing computer-aided radiology.
Tárgyszavak:	Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk
Megjelenés:	Machine Learning and Knowledge Extraction. - 6 : 2 (2024), p. 1281-1297. -
További szerzők:	Tóth Gábor (1989-) (általános orvos) Petró Mátyás (1985-) (radiológus) Harangi Balázs (1986-) (programtervező matematikus)
Pályázati támogatás:	TKP2021-NKTA-34 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM128457
Első szerző:	Lakatos Róbert (informatikus)
Cím:	Investigating the Performance of Retrieval-Augmented Generation and Domain-Specific Fine-Tuning for the Development of AI-Driven Knowledge-Based Systems / Lakatos Róbert, Pollner Péter, Hajdu András, Joó Tamás
Dátum:	2025
ISSN:	2504-4990
Megjegyzések:	Generative large language models (LLMs) have revolutionized the development of knowledge-based systems, enabling new possibilities in applications like ChatGPT, Bing, and Gemini. Two key strategies for domain adaptation in these systems are Domain-Specific Fine-Tuning (DFT) and Retrieval-Augmented Generation (RAG). In this study, we evaluate the performance of RAG and DFT on several LLM architectures, including GPT-J-6B, OPT-6.7B, LLaMA, and LLaMA-2. We use the ROUGE, BLEU, and METEOR scores to evaluate the performance of the models. We also measure the performance of the models with our own designed cosine similarity-based Coverage Score (CS). Our results, based on experiments across multiple datasets, show that RAG-based systems consistently outperform those fine-tuned with DFT. Specifically, RAG models outperform DFT by an average of 17% in ROUGE, 13% in BLEU, and 36% in CS. At the same time, DFT achieves only a modest advantage in METEOR, suggesting slightly better creative capabilities. We also highlight the challenges of integrating RAG with DFT, as such integration can lead to performance degradation. Furthermore, we propose a simplified RAG-based architecture that maximizes efficiency and reduces hallucination, underscoring the advantages of RAG in building reliable, domain-adapted knowledge systems.
Tárgyszavak:	Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk generative large language model domain-specific fine-tuning knowledge-based system natural language processing machine and deep learning
Megjelenés:	Machine Learning and Knowledge Extraction. - 7 : 1 (2025),p. 1-18. -
További szerzők:	Pollner Péter Hajdu András (1973-) (matematikus, informatikus) Joó Tamás
Pályázati támogatás:	RRF-2.3.1-21-2022-00006 Egyéb KDP-2021 Egyéb
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon: